Poolside 发布 Laguna S 2.1 开放权重模型

Laguna S 2.1 值得关注，不是因为又多了一个代码模型名字，而是 Poolside 把 118B 总参数、每 token 约激活 8B、最高 1,048,576 token 上下文和开放权重放进同一版本，并把最终评测轨迹交给外部检查。它试图回答一个更实际的问题：长时代码 Agent 是否可以不依赖超大云端集群，也能进入企业自有硬件和数据边界。

已经确认的事实是，Poolside 在 2026 年 7 月 21 日发布 Laguna S 2.1。主模型仓库查询时公开且不需要 gated 申请，模型卡列出 BF16 主权重，并链接 FP8、INT4、NVFP4、GGUF、MLX 与 DFlash 等变体。公告明确写明，思考和非思考模式都支持最高 100 万 token；模型卡给出的精确值是 1,048,576 token。

不确定性主要集中在两个“可运行”上。第一，Poolside 称推理优化覆盖到单台 NVIDIA DGX Spark，但没有公开单机所用量化、吞吐、并发或实际上下文长度。第二，官方公布的 benchmark 来自内部 Harbor fork、内部沙箱与自家 pool harness；轨迹可以审计运行过程，却不能替代第三方在相同硬件和公开环境中的复现。

对开发者而言，权重、许可证和轨迹已经把试用门槛降下来。对企业部署团队而言，8B 激活参数不等于只需装下 8B 权重，模型的 118B 总权重仍决定静态内存底座，百万上下文还会继续增加 KV 缓存和运行时开销。采购或架构决策应以具体精度、吞吐和上下文实测为准，而不是把三个官方上限直接相乘。

这次究竟开放了什么

Laguna S 2.1 是文本到文本的 MoE 模型，定位是 Agentic coding 与长时任务。公开模型卡描述了 48 层结构，其中 12 层使用全局注意力、36 层使用滑动窗口注意力，滑动窗口为 512 token。路由部分包含 256 个路由专家，每个 token 选择其中 10 个，另有 1 个共享专家。这些公开配置与公告的 118B-A8B口径相互对应，但参数总量仍是发布方披露，本文没有下载全部张量重新计数。

“开放权重”需要和“完整开放训练栈”分开。7 月 21 日的可核验增量是，后训练模型权重、配置、推理模板、许可证和部分评测结果已经公开。公告还称 BF16、FP8、INT4、NVFP4、官方 GGUF 与 MLX 转换、DFlash 草稿模型从首日提供。基础模型，也就是后训练之前的权重，没有作为同一个公开下载物直接列出；公告要求研究者发邮件联系 Poolside。因此，这次发布不是训练数据、训练代码、基础权重全部开源。

仓库时间也不能简化成“7 月 13 日已经发布”。Hugging Face API 记录主仓库的 createdAt 为 7 月 13 日 13:58 UTC，但创建时间不能证明当时已经公开或可完整下载。可精确核验的对外发布锚点是 Poolside 官方 X 的 7 月 21 日 17:05 UTC，同日官方公告上线；API 又记录主仓库在 7 月 21 日 22:26 UTC更新。较稳妥的表述是：仓库可能为发布预先建立，正式对外事件发生在 7 月 21 日，之后主仓库仍在更新。

项目	已确认状态	不能据此推导
模型规模	118B 总参数，约 8B 每 token 激活	下载体积、显存占用或 KV 缓存只有 8B 规模
上下文	两种模式最高 1,048,576 token	每个托管端点都开放 1M，或单台工作站能跑满 1M
思考控制	off 与 max；max 默认开启	已支持 low、medium、high 等细粒度预算
主权重	BF16 仓库公开，模型卡估算约 236GB	BF16 可直接装入单台 128GB DGX Spark
量化与转换	公告称 FP8、INT4、NVFP4、GGUF、MLX 首日提供	各精度的质量损失、吞吐与全上下文能力相同
许可证	OpenMDW-1.1 允许广泛使用、修改和分发	无再分发义务、无权利清理责任或等同完整开源训练栈
评测轨迹	最终运行轨迹站公开任务级记录	第三方已在独立环境复现分数

思考与非思考不是两套上下文

官方原文把模式写成 off 和 max。max 默认启用，由模型为问题决定测试时计算预算；本次发布没有提供可由用户选择的 low、medium、high 档位。模型卡则展示了按请求传入 enable_thinking: False 的关闭方式，也建议 Agent 场景保留历史消息里的 reasoning content，以便工具调用之间继续思考。

这里需要保留两个状态边界。其一，“两种模式都支持 1M”描述的是模型上下文上限，不是说两种模式具有相同成本。Poolside 公布的图表显示，思考模式会显著增加平均 completion token。其二，模式开关和服务商端点不是同一层。公告称 OpenRouter 免费端点提供 256K，单独的付费端点才提供完整 1M。因此，模型卡写 1M 与某个 API 实际只给 256K 并不矛盾。

Poolside 自报，max thinking 将 Terminal-Bench 2.1 从 60.4%提高到 70.2%，相对非思考基线增加 9.8 个百分点；DeepSWE 从 16.5%提高到 40.4%，增加 23.9 个百分点。这些差值的基准是同一模型的非思考模式，不是相对其他模型的增长，也不是第三方平均提升。官方还承认，Laguna S 2.1 可能长时间思考却没有取得进展，尤其是在竞赛数学任务上，未来版本才计划增加更细的 effort control。

单台 DGX Spark 的主张要怎样理解

Poolside 的准确措辞是，NVIDIA 帮助优化其硬件上的推理，从 Blackwell 系统上的 TRT-LLM 与 NVFP4，一直到单台 NVIDIA DGX Spark。这能确认双方把单机作为支持目标，却没有说明单机演示使用 BF16、FP8、INT4、NVFP4 还是 GGUF，也没有给出 tokens/s、首 token 延迟、并发数和最大实测上下文。

硬件边界说明了为什么不能把这句话写成“118B BF16 单机运行”。模型卡估算 BF16 权重约 236GB；NVIDIA 产品页给单台 DGX Spark 标注 128GB 一致性统一系统内存。仅静态 BF16 权重就超过设备内存，还没有计算运行时状态和百万上下文的 KV 缓存。单机要成立，必然需要更低精度、内存映射或其他压缩与卸载方案；具体是哪一种，公告没有给出。

同理，“单台可运行”和“单台跑满 1M”是两个不同命题。上下文越长，KV 缓存、注意力计算、首 token 等待和持续功耗越难忽略。Laguna S 2.1 使用全局与滑动窗口交错注意力，有助于控制部分长序列成本，但这不能替代硬件实测。当前最可靠的结论只是：Poolside 宣布至少一种优化配置可以落到单台 DGX Spark；完整精度、完整上下文和可用吞吐仍待公开。

评测轨迹比排行榜多了什么

Poolside 为 Laguna S 2.1 公布了 Terminal-Bench 2.1 70.2%、SWE-bench Multilingual 78.5%、SWE-Bench Pro 59.4%、DeepSWE 40.4%、SWE Atlas 46.2%和 Toolathlon Verified 49.7%。这些数字均是 Poolside 的发布口径，不应写成 benchmark 官方对模型的独立认证。

方法细节决定可比性。公告脚注称 Agent 评测使用内部 fork 的 Harbor Framework、公开的 pool Agent harness、最多 500 步和内部沙箱。SWE-bench Multilingual、SWE-Bench Pro 与 Terminal-Bench 2.1 按每题 4 次尝试计算平均 pass@1；DeepSWE 与 SWE Atlas 按 3 次尝试；Toolathlon 取 3 次运行平均。DeepSWE 的官方榜单使用 mini-swe-agent，而 Poolside 报告的是 pool harness，官方自己也明确承认 harness 不同。

横向比较还有另一层口径差异。Poolside 的图表对其他模型取厂商自报、benchmark 作者榜单或 Artificial Analysis 第三方榜单中的最大值，SWE Atlas 是例外。这种做法避免故意选低分对手，却也把不同 harness、不同运行预算和不同报告来源放进同一张表。表格适合判断大致位置，不适合把几分差距解释成稳定能力优势。

轨迹公开仍然是实质进步。轨迹站能展示任务、成功或失败、步数、思考模式和运行记录，外部可以检查模型是否反复试错、是否依赖异常路径，以及得分和过程是否一致。不过，站点自述覆盖五项软件工程 benchmark，并提示全局超时可能不生成轨迹；官方文章对 Toolathlon 使用了另一套 EC2 沙箱和自定义 Agent。由此可见，“完整轨迹”应理解为官方最终评测运行中生成并发布的记录，而不是每一次尝试都必然有文件，更不是外部已经重跑成功。

OpenMDW-1.1 到底允许什么

许可证原文给予用户免费处理模型材料的广泛权利，覆盖使用、修改和分发，并涉及材料中包含的版权、专利、数据库和商业秘密权利。它也明确规定，使用模型产生的输出不受该许可证额外限制。对企业而言，这比只准研究或禁止商用的权重许可证更宽松。

但“开放”不是“没有条件”。再分发任何模型材料时，需要保留许可证副本和适用的版权及来源声明。若用户主动参与诉讼，主张模型材料直接或间接侵犯专利或版权，授权可能终止；针对他人先发诉讼的回应除外。许可证还明确不提供准确性、无缺陷、不侵权等担保，第三方权利清理、必要同意和尽调由使用者负责。

模型卡另外提示，使用者应确认模型适合目标场景，并应与 Poolside 的可接受使用政策保持一致。许可证正文、模型卡提示与企业内部政策应分别审阅，不能只读“commercial and non-commercial”一句就完成合规判断。与此同时，OpenMDW-1.1 覆盖已提供的模型材料，并不会自动补齐未提供的训练数据、基础模型或完整训练基础设施。

已知限制会直接影响 Agent 接入

Poolside 在发布时列出了三类限制。第一是 harness overfitting：第三方 Agent harness 的工具定义与 pool 相似但略有差异时，模型第一次调用可能凭记忆使用错误接口，而不是严格读取 schema；若 harness 拒绝并要求重试，模型通常可在上下文中修正。

第二是嵌套工具调用与 JSON 转义。模型采用类似 XML 的工具调用标记，当参数本身需要 JSON 数组时，可能生成错误转义或无效 JSON。第三是过度思考，模型可能在取得实质进展之前生成很长的思考序列。这三项都意味着，部署团队不能只验证 benchmark 分数，还要测试工具 schema 校验、失败重试、最大思考预算、超时和成本上限。

接下来看什么

第一，看单台 DGX Spark 配方能否完整公开。至少需要模型精度、推理引擎、权重与运行时内存、可达到的上下文长度、首 token 延迟和持续吞吐。若只展示“能够加载”，它与可用于数小时代码任务仍有明显距离。

第二，看第三方是否用公开 harness 重跑思考模式差值。Terminal-Bench 2.1 的 9.8 个百分点和 DeepSWE 的 23.9 个百分点都很大，但思考 token 也明显增加。复现应同时报告任务成功率、平均输出 token、墙钟时间和成本，才能判断 max thinking 是否具有工程性价比。

第三，看百万上下文的有效利用，而不只是配置值。测试应覆盖远距离代码依赖、跨仓库检索、上下文干扰与多轮工具调用，并报告不同位置的信息召回和修改正确率。能接收 1M token 与能稳定使用其中关键证据，是两件不同的事。

第四，看 Agent 兼容性修复。若模型仍会凭记忆误用第三方工具 schema，开放权重带来的多 harness 选择反而会放大接入成本。工具调用一次成功率、无效 JSON 比例、重试后恢复率和过度思考超时率，可能比再增加一个代码 benchmark 更能决定实际采用。

现阶段可以确认的是，Laguna S 2.1 已在 7 月 21 日完成正式发布，主权重、模型卡、OpenMDW-1.1 许可证和大量最终评测轨迹可公开访问；118B 总参数、8B 激活、两种模式最高 100 万 token均有官方材料互相印证。仍需等待的是单台 DGX Spark 的完整运行口径、第三方 benchmark 复现，以及开放权重在真实企业代码 Agent 中能否同时兑现速度、可靠性与数据控制。